物流中心的运输流程瓶颈检测及预测方法与流程
本技术涉及运输瓶颈检测及预测，尤其的，涉及一种物流中心的运输流程瓶颈检测及预测方法。
背景技术：
1、在全球一体化及后疫情时代的大环境下，物流集散中心在日趋频繁的世界性贸易往来中有着举足轻重的地位。而香港作为中国内地对外贸易的窗口，面对日益增长的货物进出口需求，提升香港物流集散中心的运作效率成为了支持香港经济发展不可或缺的一环。然而，机械故障、系统性路线规划不当、偶发性人为干扰因素等常导致物流系统出现瓶颈并成为效率提升的客观限制因素。因此，发现瓶颈、找到原因、提出相应的解决和预备方案成为提升物流系统运作效率的关键。
2、现时多数物流中心评估运作效率，是从货物运输日志(movement log)及机械设备故障日志(equipment fault log)中找出异常记录，用于推断发生堵塞的位置和起因，从而找出解决及预防方案。因物流中心每日处理大量货物，其货物运输日志具有数据量巨大且属性繁杂的特点，对存储的要求较高，导致其数据格式通常多样且条理性欠佳。机械设备相关数据方面，多数物流中心因建造年代久远，能够用于智能化升级的设备相关信息缺失严重，如设备坐标及设备连接性等可用于构建拓扑的信息。同时，因机械损耗严重，机械故障日志同样具有数据量大且属性繁杂的特点。综合物流中心以上现状，通过常规的数据分析找出流程瓶颈仍是巨大的挑战。针对以上难题，本技术尝试将物流中心的数据处理及分析自动化，旨在帮助其增强单位时间内的货物处理能力并提升运作效率。
3、申请内容
4、本技术提供了一种物流中心的运输流程瓶颈检测方法，包括：
5、获取运输流程中的货物运输载体分布图、货物运输日志和货物运输载体故障日志；
6、利用货物运输载体分布图构建各个载体之间的拓扑关联，形成载体拓扑结构；
7、将货物运输日志、货物运输载体故障日志、载体拓扑结构录入数据库，并将不同的数据源以载体为主键进行关联；
8、对数据库中的货物运输日志和货物运输载体故障日志进行基于时间戳的预处理以将同时段的货物与对应的货物运输载体进行关联，提取货物运输载体的瓶颈监测指标，并将瓶颈监测指标超过预设阈值的货物运输载体作为候选瓶颈；
9、通过载体拓扑结构，判断候选瓶颈是否为瓶颈序列的头部载体；若是，将其标记为所述运输流程的实际检测瓶颈；若不是，将其移出候选瓶颈；
10、对所述实际检测瓶颈进行根本原因分析，并依据根本原因对所述实际检测瓶颈进行分类。
11、本技术也提供了一种物流中心的运输流程瓶颈预测方法，包括：
12、获取运输流程中的货物运输载体分布图、货物运输日志和货物运输载体故障日志；
13、利用货物运输载体分布图构建各个载体之间的拓扑关联，形成载体拓扑结构；
14、将货物运输日志、货物运输载体故障日志、载体拓扑结构录入数据库，并将不同的数据源以载体为主键进行关联；
15、对数据库中的货物运输日志和货物运输载体故障日志进行基于时间戳的预处理以将同时段的货物与对应的货物运输载体进行关联，提取货物运输载体的瓶颈监测指标，并将瓶颈监测指标超过预设阈值的货物运输载体作为候选瓶颈；
16、通过载体拓扑结构，判断候选瓶颈是否为瓶颈序列的头部载体；若是，将其标记为所述运输流程的实际检测瓶颈；若不是，将其移出候选瓶颈；
17、对所述实际检测瓶颈进行根本原因分析，并依据根本原因对所述实际检测瓶颈进行分类；
18、利用已训练的机器学习模型，根据包括货物特征、路径特征、载体故障特征、载体拓扑结构、瓶颈根本原因的特征变数，以及未来时间段的订单讯息，对所述运输流程未来时间段的瓶颈进行预测。
19、在一种实施例中，所述方法还包括：运输流程瓶颈检测，所述运输流程瓶颈检测包括流程监测与评估与货物运输载体故障监测；
20、所述运输流程瓶颈检测对所述运输流程进行系统性能监测与评估，自动检测出瓶颈的出现，监测对象为所述运输流程中的货物与货物运输载体；对货物的分析基于货物运输日志，对货物运输载体的分析基于货物运输载体故障日志与货物运输载体分布图；
21、所述流程监测与评估包括：应用货物运输日志资料格式的分析方法，对讯息进行处理，提取讯息，以固定单位时长的滚动视窗的计算方式对每个载体的货物逗留时长和货物流量进行监测；对时长和流量超过预设阈值的载体进行运作效率评估，并找出阻碍该部分系统运作效率的瓶颈载体；
22、所述货物运输载体故障监测用于将货物运输日志与货物运输载体故障日志相结合以判断故障是否造成流程瓶颈，以及找出流程瓶颈产生的原因并分类。
23、在一种实施例中，所述机器学习模型以归纳推理法或深度学习算法进行训练，其中：
24、所述归纳推理法依据运输流程瓶颈检测中探测出的历史瓶颈及其对应的货物特征、路径特征、载体故障特征、载体分布拓扑图、根本原因，归纳易出现瓶颈的时间段和货物运输载体位置；同步将未来时间段的货物讯息纳入算法，找出负责运输未来货物的货物运输载体以及单位货物途径单位货物运输载体的时间点；结合历史相似货物发生瓶颈的时间段和货物运输载体位置，预测运输流程的瓶颈；
25、所述深度学习算法通过将图卷积神经网络和长短期记忆模型相结合，对单位货物运输载体进行空间维度与时间维度上的深度探索；在导入接近实时的货物运输资料及货物运输载体故障数据后，通过深度卷积模型为单位元载体分析其上游载体对其的影响，从而预测该载体未来是否有机会出现瓶颈。
26、在一种实施例中，所述方法还包括：依据历史瓶颈的产生原因和处理方式，推荐可行的预防性解决方案用于避免或降低潜在瓶颈可能对货物运输流程效率造成的负面影响。
27、在一种实施例中，所述方法还包括：将后端算法模组的计算结果在系统性可视化介面进行交互与呈现；所述系统性可视化介面中的展示方式分为表现评估与流程预测两个视窗；两个视窗均以货物运输载体的分布图为基础，表现评估视窗用于呈现现时流程监测与评估的结果，流程预测视窗用于呈现未来时间段内流程的表现及状态。
28、在一种实施例中，所述表现评估视窗由载体流量、货物逗留时间及载体逗留时间三个分页组成；各分页皆以不同的颜色显示个别指标，并依据颜色的深浅度反映指标的变化；监测到的瓶颈位置在所有分页以红圈加以标示，并以浮窗方式对瓶颈产生的原因进行标示；所述流程预测视窗分为三个分页，分别显示在未来一段时间内的载体流量、载体逗留时间及货物逗留时间三个预测性指标，呈现形式与表现评估视窗相同。
29、在一种实施例中，所述货物运输载体分布图为可缩放的载体平面图。
30、在一种实施例中，所述根本原因包括设备功能性停机导致流程机械性阻塞、流量过大导致关键设备负荷超载、机械性货物位置偏移导致感测器资料传输错误；所述瓶颈分类包括故障瓶颈、超载瓶颈、人工响应瓶颈。
31、在一种实施例中，所述载体拓扑结构的分析方法包括：以载体作为拓扑中最小单位，一个载体将被视为一个节点，每个节点的属性代表载体的指标数值；将物流中心的载体座标化，将座标之间的关联度转换为载体之间的联通性；节点若互有关联，两节点之间以有向加权边作为标示，加权的数值用于反映两节点之间的关联度，加权的数值随着实际货物流通情况而变动。
32、本技术将物流中心的数据处理及分析自动化，可以增强单位时间内的货物处理能力并提升运作效率。
技术实现思路
技术特征：
1.一种物流中心的运输流程瓶颈检测方法，包括：
2.一种物流中心的运输流程瓶颈预测方法，包括：
3.根据权利要求2所述的物流中心的运输流程瓶颈预测方法，其中，所述方法还包括：运输流程瓶颈检测，所述运输流程瓶颈检测包括流程监测与评估与货物运输载体故障监测；
4.根据权利要求3所述的物流中心的运输流程瓶颈预测方法，其中，所述机器学习模型以归纳推理法或深度学习算法进行训练，其中：
5.根据权利要求4所述的物流中心的运输流程瓶颈预测方法，其中，所述方法还包括：依据历史瓶颈的产生原因和处理方式，推荐可行的预防性解决方案用于避免或降低潜在瓶颈可能对货物运输流程效率造成的负面影响。
6.根据权利要求2所述的物流中心的运输流程瓶颈预测方法，其中，所述方法还包括：将后端算法模组的计算结果在系统性可视化介面进行交互与呈现；所述系统性可视化介面中的展示方式分为表现评估与流程预测两个视窗；两个视窗均以货物运输载体的分布图为基础，表现评估视窗用于呈现现时流程监测与评估的结果，流程预测视窗用于呈现未来时间段内流程的表现及状态。
7.根据权利要求6所述的物流中心的运输流程瓶颈预测方法，其中，所述表现评估视窗由载体流量、货物逗留时间及载体逗留时间三个分页组成；各分页皆以不同的颜色显示个别指标，并依据颜色的深浅度反映指标的变化；监测到的瓶颈位置在所有分页以红圈加以标示，并以浮窗方式对瓶颈产生的原因进行标示；所述流程预测视窗分为三个分页，分别显示在未来一段时间内的载体流量、载体逗留时间及货物逗留时间三个预测性指标，呈现形式与表现评估视窗相同。
8.根据权利要求6所述的物流中心的运输流程瓶颈预测方法，其中，所述货物运输载体分布图为可缩放的载体平面图。
9.根据权利要求2所述的物流中心的运输流程瓶颈预测方法，其中，所述根本原因包括设备功能性停机导致流程机械性阻塞、流量过大导致关键设备负荷超载、机械性货物位置偏移导致感测器资料传输错误；所述瓶颈分类包括故障瓶颈、超载瓶颈、人工响应瓶颈。
10.根据权利要求2所述的物流中心的运输流程瓶颈预测方法，其中，所述载体拓扑结构的分析方法包括：以载体作为拓扑中最小单位，一个载体将被视为一个节点，每个节点的属性代表载体的指标数值；将物流中心的载体座标化，将座标之间的关联度转换为载体之间的联通性；节点若互有关联，两节点之间以有向加权边作为标示，加权的数值用于反映两节点之间的关联度，加权的数值随着实际货物流通情况而变动。
技术总结
本申请涉及一种物流中心的运输流程瓶颈检测及预测方法。瓶颈检测方法包括：获取货物运输载体分布图、货物运输日志和载体故障日志；形成载体拓扑结构；将货物运输日志、载体故障日志、载体拓扑结构录入数据库，并将不同的数据源以载体为主键进行关联；对货物运输日志和载体故障日志进行预处理以将同时段的货物与对应的载体进行关联，提取瓶颈监测指标，并将指标超过预设阈值的载体作为候选瓶颈；判断候选瓶颈是否为瓶颈序列的头部载体；若是，将其标记为实际检测瓶颈；若不是，将其移出候选瓶颈；进行根本原因分析，并据此对所述实际检测瓶颈进行分类。本申请将物流中心的数据处理及分析自动化，可以增强单位时间内的货物处理能力并提升运作效率。
技术研发人员：何莞依,谭德朗,刘洆X,黄金辉,程宇昕,何智恒,罗恩妮,葛明
受保护的技术使用者：香港工业人工智能及机械人研发中心
技术研发日：
技术公布日：2024/9/23